Разработка

Достаточно часто продукт разрастается вместе с командой и наступает время разделиться.

Или нужно распилить большой монолит.

Или никак не удается договориться командами, кто за что отвечает.

Этот процесс часто характеризуют две противоположные картины:

1. Каждый хочет забрать себе все важные куски функциональности.

2. Никто не хочет забирать себе важную часть.

В рамках доклада я хочу поговорить о том, как превратить предметную область в нечто описанное структурировано. Как поделить функциональность между командами. И самое главное, почему аналитик - тот человек, который может это затащить. Или зафейлить.

Расскажем про проектирование API с использованием подхода API first на провальных и не очень кейсах. Приведем примеры универсальных контрактов и расскажем про наш подход к анализу для учета всех перекрестных требований за минимальное количество встреч.

Познакомимся с новым взглядом на Архитектурный аудит информационных систем, основанным на практике медицинской диагностики:

- разберем прямые и понятные аналогии между осмотром человека (Medical Check Up) и архитектурным аудитом информационных систем

- узнаем, почему данное мероприятие принесет пользу всем, от руководителей и архитекторов, до команд разработки и сопровождения

- рассмотрим, как провести осмотр ИС с помощью предлагаемой неформальной, гибкой методики и доступных инструментов

- познакомимся с простым и удобным фреймворком, с помощью которого каждый сможет проводить аудит самостоятельно

- посмотрим на несколько практических, успешных и неуспешных примеров

- и даже пофантазируем над Единым реестром заболеваний Информационных систем!

1. В больших организациях есть потребность в контроле инфраструктурных решений.

2. Работа подразделений ИТ-инфраструктуры может описываться как бизнес-модель по предоставлению продуктов

3. Подразделения ИТ-инфраструктуры также, как и бизнес, предоставляют продукты, при этом для внутренних клиентов(команд АС) – мы называем эти продукты инфраструктурными продуктами.

4. Задача встраивания в ИТ-ландшафт организации и типизации инфраструктурных продуктов разрешается путем архитектурного проектирования, аналогичного проектированию при описании автоматизации бизнес процессов.

5. Мы сначала описываем концептуальную архитектуру для процессов жизненного цикла экземпляров продуктов(например в архитектуре показывается как создается экземпляр сервера) - в данном артефакте определяется как инфраструктурный продукт встраивается в ландшафт Банка - с какими системами он должен взаимодействовать.

6. Далее мы переходим к детальному описанию внутреннего устройства инфраструктурного продукта - из каких компонентов он состоит - исходя из требований к продукту и взаимодействий продукта (например можно представить как внутренне устроена архитектура геокластера СУБД).

7. Через автоматическое создание декларативных описаний(terraform файл), за счет знания внешних интеграций продукта и его внутреннего устройства, мы можем автоматически создавать экземпляры продуктов на этапе описания архитектур АС.

8 Заключение: применяя подход корпоративной архитектуры мы можем "провязать", отследить изначальные потребности команд в инфраструктурных продуктах и их свойствам, через архитектуру, к конечному экземпляру продукта, который получает команда АС.

Мы поговорим о том, кто же быстрее пишет код: автокомплит или искусственный интеллект, и стоит ли его вообще использовать и как.
Мы так же обсудим, как сейчас пишут код и какие инструменты при этом используют.

Долгое время автоматическое написание кода по его свободному описанию оставалась лишь несбыточной мечтой: алгоритмические решения не представлялись возможными, а эксперименты на базе ML-подходов не обобщались до реальных задач. Еще несколько лет назад, уже даже после активной шумихи вокруг нейронных сетей, значительных подвижек в автоматической кодогенерации не наблюдалось. Только с приходом Больших Языковых Моделей (LLM), навроде Chat-GPT, в этой области начали происходить существенные изменения.

В этом докладе мы подробно обсудим, как подступиться к AI Program Synthesis: как формализовать нашу задачу, как измерять качество получаемых методов, рассмотрим все основные архитектуры актуальных нейронных сетей для Code Generation, а также порассуждаем, в какую сторону будут развиваться дальнейшие методы

Роль кибербезопасности в разработке ПО чрезвычайна важна. Не всегда удается спроектировать целевую систему в безопасном исполнении. Все говорят о подходах к безопасной разработке, пишут много всяких бумаг, но в реальности не следуют никаким методологиям.

Создание систем с учетом методологий безопасной разработки дело дорогое и ответственное. Где тот баланс, что необходимо и достаточно. Какие риски грозят по пути time to market и далее, если пренебрегать методологиями учета рисков кибербеза при разработке.

Об этом поговорим в докладе.

На докладе мы в деталях разберём примеры проблем с производительностью PostgreSQL, которые безусловно будут интересны как администраторам баз данных, так и разработчикам систем. Например, настроить checkpointer и как bgwriter помогает (или не помогает) с этим? Что за магический SLRU cache и каким он станет в PostgreSQL 17? Почему может блокироваться таблица, если код приложения этого не делал? Приходите на доклад со своими вопросами, будет что обсудить в дискуссии.

API Gateway - широко распространённая технология, которую применяют многие компании.
Каждый делает это по своему и закладывает разный функционал в него.

В этом докладе я расскажу, какой API Gateway создали мы в Авито, что в него заложили, какие подходы применили.

Мастер-класс для системных аналитиков: "Как подготавливаться к оценке проектов командой и как корректно давать оценку".

Какие документы/артефакты/схемы нужны для такой оценки, с какими компетенциями нужно поговорить до начала оценки.

И разберем методы первичной оценки проектов.

В мастер классе сначала минут 10-15 будет теоретическая вводная. Потом следующие 30-40 минут будем разбирать кейсы из моей реальной практики.

В итоге у системных аналитиков будет алгоритм действий для оценки проекта при высокой неопределённости.

В последнее время стала популярна тема так называемых копилотов, то есть помощников для каких-то повседневных действий за компьютером. Началась эта тема с GitHub CoPilot, который должен помогать программисту. Мы делаем своего помощника программисту, и я вам расскажу, как мы учим модели для него. Наши модели в настоящее время в некоторых задачах достигли т.н. state of the art результатов, то есть достигли первого места на открытом бенчмарке.

1. Подходы и организация на практике.

Этапы производства и состав команды

Области - движок, рендер, тех дизайнеры, геймплей, UI

Профилирование

Пессимизация

Память и платформы

Компромиссы.

2. Вкратце о рендере

бюджет полигонов, цена шейдеров, draw calls, occlusion, лодирование, HLODирование

3. Области повышенного внимания в геймплее

Тики, компоненты, "лодирование" логики

Физика - коллизии, трейсы, движение.

Потенциал многопоточности в геймлее. Потокобезопасные контейнеры

Навмеш, его генерация, потенциальные проблемы world partition.

3. Борьба с пессимизацией на практике

Блюпринты

Тик группы

Касты и оверлапы

Тривиальная математика

Попробуем разобраться как можно разрабатывать плагины к микросервисам, чтобы те поддерживали максимальную изоляцию и безопасность, а также горячую замену и даже отладку

Проблема: Создание диаграмм является трудоемким процессом, отнимающим значительное время на рутинные задачи.

Целевая аудитория: Системные и бизнес-аналитики, использующие UML в своей работе.

В докладе будет рассмотрена возможность использования больших языковых моделей, таких как ChatGPT, для автоматизации создания UML-диаграмм, в частности, диаграмм последовательностей. Мы проанализируем существующие подходы, оценим применимость LLM на простых примерах и реальных задачах, а также обсудим преимущества и недостатки данного подхода

Краткий план доклада:

1. Анализ текущих сложностей и временных затрат на создание UML-диаграмм.

2. Формулирование гипотезы о возможности использования LLM для автоматизации этого процесса.

3. Обзор существующих методов и инструментов для создания UML-диаграмм.

4. Оценка применимости LLM к созданию UML на простых примерах

5. Оценка результатов работы ключевых представителей LLM на реальных задачах

6. Обсуждение плюсов и минусов использования LLM для автоматизации создания UML-диаграмм.

7. Оценка прикладной ценности данного подхода.

8. Обобщение результатов исследования.

9. Рекомендации по использованию LLM для автоматизации задач системных и бизнес-аналитиков..

Рассмотрим задачу получения иерархических данных из реляционной СУБД со следующими вводными:

1. Данные представляют собой дерево (связный граф без циклов)

2. Необходимо для любого узла уметь получать поддерево заданной высоты

3. Необходимо для любого узла уметь получать путь до корня дерева

Рассмотрим отдельные частные случаи, возникшие на практике:

1. Разнотипные элементы на одном уровне дерева

2. Однотипные элементы на разных уровнях дерева

3. Рекурсивные деревья переменной высоты (пример – файловая система, где вложенность файлов внутрь директорий может быть произвольной)

Обсудим решение с использованием идей из GraphQL, которое позволяет построить общий механизм получения произвольным образом организованного дерева с разумно малым* (не всегда минимальным) количеством запросов в БД.

Обзор инструментов, использующих ИИ, применимых и используемых в тестировании: рассмотрим какие есть на данный момент, для чего они используются, эффективность их при решении задач тестирования, достоинства и недостатки.

Я преподаю основы программирования на Python в Высшей школе экономики для магистрантов направления “Компьютерная лингвистика”. Запросы у ребят серьезные: они хотят устроиться (и устраиваются!) по специальности, но их фоновый опыт очень разный. В одной группе могут учиться выпускники разных направлений, включая филологов, юристов, педагогов, а также выпускников матмеха СПбГУ и специалистов с опытом мобильной разработки. В таких условиях я стараюсь сделать учебный план максимально адаптивным, и в этом мне помогает генеративный искусственный интеллект. В своем докладе я поделюсь опытом использования ChatGPT для разработки адаптивных учебных планов.

Адаптация курса к целям и интересам студентов

Обычно студенты приходят учиться с конкретными целями. Например, у любого языка программирования есть множество применений. Так, можно сегрегировать задания для тех, кому нужен Python для анализа данных и машинного обучения, для тех, кто изучает программирование для академических исследований и для тех, кто планирует работать в индустрии. Важно учитывать интересы студентов: если задание совпадает с их хобби, мотивация заниматься самостоятельно будет гораздо выше. Для этого я генерирую тематические датасеты и задания. Например, для киноманов я создаю задачи обработку базы данных IMDB и категоризацию кинорецензий.

Предотвращение списываний

Одной из задач является предотвращение списываний. С ChatGPT для разных групп и даже отдельных студентов можно создавать неограниченное количество вариантов заданий. Я генерирую задания к каждому занятию, вношу правки и перепроверяю их.

Адаптация учебного материала для инклюзивной среды

Еще одно важное направление — адаптивное обучение для студентов с особыми потребностями, инклюзивное образование. ChatGPT помогает упрощать формулировки и адаптировать учебный материал с указанием специальных требований, таких как как использование увеличенного шрифта и повышенной контрастности для студентов с нарушениями зрения. В этом году я буду читать адаптированную версию своего курса в благотворительной организации, где также буду использовать ChatGPT.

Давайте сегодня перенесемся в то время когда трава была зеленее, а kubernetes еще не было и пройдем путь становления DevOps методологии как стандарта, попутно разбирая как делать надо, а как делать не надо. В докладе разберу основные паттерны и антипаттерны построения конвейера CI/СD, а также попробую ответить на вопрос каким должен быть идеальный pipeline!

Город спит, даже не догадываясь, как мужественно администраторы баз данных ради всеобщего блага сражаются за ускорение выполнения запросов на каждую милисекунду.

Используем встроенные инструменты PostgreSQL, чтобы

• вычислять неоптимальные запросы,

• избегать проблем с ними в будущем

• и даже принимать решения на ходу, без остановки их выполнения.

Сфера IT стремительно развивается и те решения, которые раньше могли себе позволить только очень крупные компании, сейчас могут использовать компании любого мастача с помощью OpenSource. А в 2022 году много зарубежных вендеров ушли из России и вопрос использования бесплатного ПО встал очень остро. Но все ли так хорошо? В рамках доклада посмотрим на состояние рынка OpenSource решений: насколько это бесплатно, стабильно, готово к использованию и какие могут быть проблемы в дальнейшем?

В своем докладе в легкой исторической перспективе рассмотрю основные тренды и подходы, что были в ходу в недавнем прошлом, актуальны сегодня и немного поразмышляю о том, что ждёт всех нас за поворотом будущего.

В докладе рассмотрю как менялись не только требования к специалистам, процессы, инструменты и методы работы, но и само отношение к качеству в целом.

Доклад будет полезен для широкой аудитории, не только QA, но и разработчикам, продактам и другим коллегам. Позволит комплексно взглянуть на тренды развития QA и сделать легкий бенчмарк собственных команд на предмет соответствия актуальным веяниям отрасли.

В докладе хотел бы поделиться успешным опытом применения кэширования при разработке высоконагруженных сервисов. В ходе выступления будут разобраны проблемы возникающие в highload системах, варианты их решения с помощью масштабирования и оптимизации применяемых алгоритмов, включая использование кэша. Мы коснемся теоретической части, необходимой для оптимального выбора стратегии кэширования, разберем самостоятельную реализацию алгоритма LRU, а так же рассмотрим практический опыт создания высоконагруженного сервиса и проанализируем с помощью метрик результаты оптимизации.

Обзор PHP-фреймворка Yii3 от его автора. Ответы на вопросы "когда?", "почему так?". Полезно будет послушать не только тем, кто хочет попробовать новый фреймворк, но и тем, кто хочет улучшить внутренние инструменты в своей компании.

Аннотация:

- Доклад о том, как в PostgreSQL работают "обычные индексы". Доклад будет крайне полезен как тем, кто начинает работать с базами данных, так и тем, кто работал, но подзабыл. Если доклад попадёт в золотые подборки "обязательно посмотреть на on-boarding'е разработчика", то цель достигнута.

В докладе рассмотрим:

- Как индекс ускоряет поиск

- Нужно ли индексировать условия where

- Нужно ли индексировать условия в order by

- Нужно ли индексировать внешние ключи (foreign keys)

- Что делать, если критериев поиска несколько

- В каком порядке указывать колонки в индексе

- Случаи, когда индекс замедляет работу, и как снизить влияние индекса на приложение